Meta ha lanzado dos nuevos modelos de IA: Muse Wonder y Muse Wonder Full. Los presenta como algunos de los sistemas más capaces de la empresa hasta la fecha y los enmarca como un paso hacia lo que denomina «superinteligencia personal». El anuncio se centra en dos funciones orientadas a agentes: Active Memory y Active Focus, diseñadas para ayudar a los sistemas de IA a mantener el contexto entre interacciones y seguir siendo eficaces en tareas complejas.

Meta también compartió detalles sobre precios y acceso, mientras que los datos de evaluación independiente de Artificial Analysis apuntan a un sólido rendimiento en razonamiento, aunque las afirmaciones de Meta fueron recibidas con escepticismo por parte de al menos un destacado evaluador de modelos. Para desarrolladores e inversores, la pregunta clave no es solo cómo se sitúan en las pruebas de referencia, sino cómo se traducen estas capacidades «activas» en fiabilidad y costes en el mundo real a lo largo del tiempo.

Conclusiones clave

• Meta presentó Muse Wonder y Muse Wonder Full, que incorporan dos funciones para agentes: Active Memory y Active Focus.

• Según Artificial Analysis, Wonder Full obtuvo 56 y Wonder estándar obtuvo 52 en su Índice de Inteligencia, con el máximo esfuerzo de razonamiento.

• Los resultados de Artificial Analysis sitúan a Wonder Full por encima de Claude Fable 5.1 y GPT-6 Astra, pero por debajo de Claude Opus 5.5.

• El precio de Meta para el modelo Wonder estándar es de 4 dólares por millón de tokens de entrada, mientras que Wonder Full está restringido a los planes de pago de Muse Code.

• Bindu Reddy, directora ejecutiva de Abacus.AI, cuestionó públicamente la magnitud de las afirmaciones de Meta sobre el rendimiento, lo que anticipa un mayor escrutinio por parte de pruebas comparativas independientes.

Las capacidades «activas» de Meta: memoria y atención sostenida

En una publicación del blog de investigación de Meta, la empresa afirmó que Muse Wonder y Muse Wonder Full incorporan dos capacidades que considera esenciales para crear agentes más capaces. Active Memory está diseñada para conservar información pertinente entre conversaciones, en lugar de limitar el sistema a la ventana del mensaje inmediato. Según Meta, Active Focus ayuda a un agente a seguir trabajando en tareas difíciles, con el objetivo de reducir la tendencia de los modelos a perder el hilo o rendir por debajo de lo esperado cuando las tareas se vuelven más complejas.

Para los usuarios, estas funciones son importantes porque las «mejores respuestas» no dependen únicamente del rendimiento en una sola ocasión. Si un sistema puede recordar lo pertinente de intercambios anteriores y mantener la atención en problemas difíciles, quizá requiera menos intervenciones manuales —como repetir los requisitos o reconstruir el contexto—, una consideración práctica para las empresas que evalúan agentes de IA.

Comparación de los modelos en pruebas independientes

Los datos de evaluaciones independientes fueron un elemento importante de la recepción inicial. Artificial Analysis, una plataforma de evaluación, publicó puntuaciones de 52 para Muse Wonder y de 56 para Muse Wonder Full en su Índice de Inteligencia; ambas se midieron con el máximo esfuerzo de razonamiento.

Con esos mismos criterios, las comparaciones publicadas por Artificial Analysis sitúan a Wonder Full por encima de Claude Fable 5.1 y GPT-6 Astra (ambos con 53), pero por debajo de Claude Opus 5.5, que obtuvo 58. En otras palabras, la opción de gama alta de Meta parece competitiva, pero no es la líder indiscutible en este marco de evaluación concreto.

Aun así, los resultados de las pruebas comparativas deben interpretarse con cautela. Distintos sistemas pueden destacar en diferentes configuraciones de evaluación, sobre todo cuando un modelo se presenta como «orientado a agentes» y otro está optimizado para tareas basadas en instrucciones. Las cifras de Artificial Analysis ofrecen una instantánea útil, pero no indican automáticamente cómo se comportará cada modelo en flujos de trabajo prolongados que utilizan herramientas.

Costo y acceso: dónde establece Meta el límite para «Full»

Meta presentó Muse Wonder como la opción más asequible de las dos, y describió Wonder Full como su modelo más caro hasta la fecha. El precio del modelo Wonder estándar es de 4 dólares por millón de tokens de entrada. Meta afirmó que este precio iguala la tarifa de Claude Opus 5.5 y es inferior a la de GPT-6 Astra, de 10 dólares, y Claude Fable 5.1, de 50 dólares, según las cifras citadas en el anuncio.

Sin embargo, Wonder Full no está ampliamente disponible mediante un modelo de pago por uso. Meta afirmó que el acceso está limitado a quienes tengan una suscripción al plan «power usage» de Muse Code, de 50 dólares al mes, o al plan «maximum usage», de 200 dólares al mes. Esta estructura sugiere que Meta considera el modelo «Full» un producto de mayor demanda y uso más intensivo de recursos, un enfoque que puede influir en la adopción inicial, los plazos de integración con herramientas y la opinión de los clientes.

Para los equipos que planean implementar estos modelos, las restricciones de acceso pueden importar tanto como la calidad del modelo. Si el modelo de mejor rendimiento está vinculado a determinados planes, la previsibilidad de los costos y la disponibilidad podrían ser los factores decisivos al elegir una arquitectura.

Críticas de evaluadores independientes

No todos aceptaron sin reservas la presentación que hizo Meta del rendimiento. Bindu Reddy, directora ejecutiva de Abacus.AI, cuestionó públicamente las afirmaciones de la empresa en X y escribió que Muse Wonder estaba «muy lejos del nivel de Fable o Astra». Reddy también dijo que publicaría resultados detallados de pruebas comparativas, lo que apunta a un mayor escrutinio más allá de la perspectiva de Meta.

Este tipo de desacuerdo es habitual en un panorama de modelos que evoluciona rápidamente, pero plantea una conclusión práctica para los lectores: cuando circulan afirmaciones sobre pruebas comparativas, los inversores y desarrolladores deben estar atentos a evaluaciones posteriores y a la transparencia de la metodología. El lanzamiento de Meta añade impulso, pero las verificaciones independientes pueden determinar si la interpretación del mercado concuerda con las pruebas.

Qué observar a continuación

A medida que se implementan Muse Wonder y Muse Wonder Full, las próximas señales que habrá que observar son cómo funcionan Active Memory y Active Focus fuera de las pruebas controladas —especialmente en flujos de trabajo más largos y propios de agentes— y si los evaluadores independientes pueden conciliar las opiniones divergentes sobre la solidez relativa de los modelos a medida que se publiquen resultados de pruebas más detallados.

Este artículo se publicó originalmente con el título «Meta presenta los modelos de IA Muse Wonder y sacude a sus principales competidores», en Crypto Breaking News, tu fuente de confianza para noticias sobre criptomonedas, Bitcoin y novedades de la cadena de bloques.